論文の概要: Reinforced Anytime Bottom Up Rule Learning for Knowledge Graph Completion

• arxiv url: http://arxiv.org/abs/2004.04412v1
• Date: Thu, 9 Apr 2020 08:15:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 01:59:38.702426
• Title: Reinforced Anytime Bottom Up Rule Learning for Knowledge Graph Completion
• Title（参考訳）: 知識グラフ補完のためのボトムアップルール学習の強化
• Authors: Christian Meilicke, Melisachew Wudage Chekol, Manuel Fink, Heiner Stuckenschmidt
• Abstract要約: 本稿では,シンボル空間に根ざしたAnyBURLという手法を提案する。 以上の結果から,AnyBURLはサブシンボリックな手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 11.795056270534285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most of todays work on knowledge graph completion is concerned with sub-symbolic approaches that focus on the concept of embedding a given graph in a low dimensional vector space. Against this trend, we propose an approach called AnyBURL that is rooted in the symbolic space. Its core algorithm is based on sampling paths, which are generalized into Horn rules. Previously published results show that the prediction quality of AnyBURL is on the same level as current state of the art with the additional benefit of offering an explanation for the predicted fact. In this paper, we are concerned with two extensions of AnyBURL. Firstly, we change AnyBURLs interpretation of rules from $\Theta$-subsumption into $\Theta$-subsumption under Object Identity. Secondly, we introduce reinforcement learning to better guide the sampling process. We found out that reinforcement learning helps finding more valuable rules earlier in the search process. We measure the impact of both extensions and compare the resulting approach with current state of the art approaches. Our results show that AnyBURL outperforms most sub-symbolic methods.
• Abstract（参考訳）: 今日のナレッジグラフ補完の研究のほとんどは、与えられたグラフを低次元ベクトル空間に埋め込むという概念に焦点を当てた部分記号的アプローチに関するものである。 この傾向に対して,我々は記号空間に根ざしたanyburlと呼ばれるアプローチを提案する。 その核となるアルゴリズムは、ホーン規則に一般化されたサンプリングパスに基づいている。 これまでに公表された結果から,AnyBURLの予測品質は現在の技術水準と同等であり,予測事実の説明を提供することによるメリットが示された。 本稿では,anyburlの2つの拡張について述べる。 まず、anyburlsのルール解釈を、オブジェクトidの下で$\theta$-subsumptionから$\theta$-subsumptionに変更します。 第2に,サンプリングプロセスの指針となる強化学習を導入する。 強化学習は、検索プロセスの早い段階でより価値のあるルールを見つけるのに役立つことがわかった。 両方の拡張の影響を測定し、その結果のアプローチと現在のアートアプローチを比較します。 その結果,AnyBURLはサブシンボリックな手法よりも優れていた。

関連論文リスト

• GSINA: Improving Subgraph Extraction for Graph Invariant Learning via Graph Sinkhorn Attention [52.67633391931959]
  グラフ不変学習(GIL)は,グラフデータとそのラベル間の不変性を発見するための効果的な手法である。 グラフシンクホーン注意機構(GSINA)を提案する。 GSINAは、制御可能な空間性と柔らかさを持つ有意義で微分可能な不変部分グラフを得ることができる。
  論文  参考訳（メタデータ） (2024-02-11T12:57:16Z)
• MARIO: Model Agnostic Recipe for Improving OOD Generalization of Graph Contrastive Learning [18.744939223003673]
  グラフデータを用いた教師なし学習手法におけるアウト・オブ・ディストリビューション(OOD)の一般化問題について検討する。 アンダーラインODの一般化性を改善するためのアンダーラインモデル-アンダーライン非依存アンダーラインレシピを提案する。
  論文  参考訳（メタデータ） (2023-07-24T18:05:22Z)
• NESS: Node Embeddings from Static SubGraphs [0.0]
  本稿では,グラフオートエンコーダ(GAE)を用いて静的サブグラフ(NESS)からノード埋め込みをトランスダクティブに学習するフレームワークを提案する。 NESSは2つの主要なアイデアに基づいている。 i) トレーニンググラフをデータ前処理中にランダムなエッジ分割を使用して、重複しないエッジを持つ複数の静的でスパースなサブグラフに分割する。 我々はNESSがリンク予測タスクに対して、グラフ全体またはサブグラフのいずれかを使用する現在の自動符号化手法と比較して、より良いノード表現を提供することを示した。
  論文  参考訳（メタデータ） (2023-03-15T22:14:28Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Line Graph Contrastive Learning for Link Prediction [4.876567687745239]
  多視点情報を得るために,Line Graph Contrastive Learning (LGCL)法を提案する。 6つの公開データセットの実験により、LGCLはリンク予測タスクの現在のベンチマークを上回っている。
  論文  参考訳（メタデータ） (2022-10-25T06:57:00Z)
• RulE: Knowledge Graph Reasoning with Rule Embedding [69.31451649090661]
  我々は、論理ルールを活用してKG推論を強化する、textbfRulE(ルール埋め込みのためのスタンド)と呼ばれる原則的なフレームワークを提案する。 RulEは、既存の三重項と一階規則からルールの埋め込みを学習し、統一された埋め込み空間において、textbfentities、textbfrelations、textbflogical rulesを共同で表現する。 複数のベンチマークの結果、我々のモデルは既存の埋め込みベースのアプローチやルールベースのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2022-10-24T06:47:13Z)
• Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
  我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。 我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。 我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
  論文  参考訳（メタデータ） (2022-01-21T09:01:12Z)
• An audiovisual and contextual approach for categorical and continuous emotion recognition in-the-wild [27.943550651941166]
  第2回ワークショップおよびABAW(Affective Behavior Analysis in-wild)の会場における映像による視覚的感情認識の課題に取り組む。 顔の特徴の抽出にのみ依存する標準的な手法は、上記の感情情報のソースが、頭や身体の向き、解像度の低さ、照明不足によってアクセスできない場合に、正確な感情予測を欠くことが多い。 我々は、より広い感情認識フレームワークの一部として、身体的および文脈的特徴を活用することで、この問題を緩和したいと考えています。
  論文  参考訳（メタデータ） (2021-07-07T20:13:17Z)
• Adversarial Linear Contextual Bandits with Graph-Structured Side Observations [80.95090605985042]
  学習エージェントは、$d$-dimensionalコンテキストベクトルで提示された後、一連の$k$アクションから繰り返し選択する。 エージェントは選択されたアクションの損失を誘発し、観察するが、観察構造における隣り合うアクションの損失も観察する。 textttEXP3に基づく2つの効率的なアルゴリズムが開発された。
  論文  参考訳（メタデータ） (2020-12-10T15:40:07Z)
• Reinforcement Learning with Feedback Graphs [69.1524391595912]
  エージェントがステップ毎に追加のフィードバックを受けた場合,決定過程におけるエピソード強化学習について検討する。 状態-作用対上のフィードバックグラフを用いてこの設定を定式化し、モデルベースのアルゴリズムが追加のフィードバックを利用してよりサンプル効率のよい学習を行うことを示す。
  論文  参考訳（メタデータ） (2020-05-07T22:35:37Z)
• A Physical Embedding Model for Knowledge Graphs [1.1650381752104297]
  本稿では,知識グラフの埋め込み計算のための新しい,スケーラブルなパラダイムを提案する。 我々は、D薬バンクとDBpediaのデータセットに対する6つの最先端の埋め込みアプローチに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2020-01-21T10:02:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。